卷积神经网络在光学元件损伤检测中的应用

《卷积神经网络在光学元件损伤检测中的应用》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、卷积神经网络在光学元件损伤检测中的应用摘要：光学元件损伤检测是激光驱动器健康管理的重要环节，复杂的原始损伤图像是损伤检测研究中的挑战性问题。卷积神经网络是深度学习的重要结构，在图像识别领域里有很好的应用实例。针对复杂环境下的光学元件损伤检测问题，提出一种基于卷积神经网络的损伤定位方法。设计了一种含有损伤和背景的数据集制作方法，生成大量伪数据。设计并训练卷积神经网络，得到分类器的参数模型。用多尺度分割原始损伤图像，并对每一分割区域进行归类和处理。实验结果证明，该检测方法具有较高的识别率和鲁棒性，可有效规避大规模噪声对损伤检

2、测的影响。中国8/vie　　关键词：损伤检测；深度学习；卷积神经网络　　中图分类号：TP183文献标识码：A：1009-3044（2017）04-0178-05　　1概述　　光学元件损伤检测技术在许多光学装置中都有重大应用，如大型光学望远镜、高功率激光驱动器等，损伤检测的结果为装置健康维护提供重要依据。　　根据检测环境的不同，损伤检测系统可分为在线检测和离线检测。在离线检测中，通过成像设备可获得高质量的原始损伤图像，图像中的噪声低、类型单一，得到的损伤检测结果足够精确，但离线检测存在着检测周期长、成本高的问题。与离线检测

3、相比，在线检测直接利用光学装置中的成像单元采集工作状态下的图像，将其作为原始损伤图像，虽然精确程度低于离线检测，但其效率高、成本低。在线检测也存在固有问题：大规模噪声和复杂背景，如图1所示，这对损伤识别造成了严重影响，该图像为激光设备中CCD采集得到的原始损伤图像，实线标记内为明显损伤，其与背景噪声存在明显差异，虚线标记内为非明显损伤，其与背景噪声融为一体。　　在经典的边界检测和区域检测算法中，原始图像可经过降噪滤波、二值化、边界提取算子等处理方法，得到边界和包围区域。这种处理方法实现简单，但在实际应用中，受高噪声、复杂

4、背景和参数设置的局限性，鲁棒性很差，处理效果不好。在损伤识别中，微小损伤往往被背景噪声环绕，大范围的滤波对噪声有一定的抑制作用，对微小损伤同样是严重的破坏。为了改善边界提取效果，很多研究者在边界提取过程中综合了梯度方向、梯度大小、灰度曲率、拉普拉斯交叉特征等参考因素来动态修正边界检测结果[1]。面对更为复杂的检测环境，甚至需要人工添加标记点来辅助边界的检测[2]，目的是为了规避全局噪声影响，在局部生成一条最优边界。在大范围噪声和复杂环境下，区域化处理是一种有效的方法。　　损伤检测区域化处理的关键在于对背景噪声区域和损伤区

5、域的识别。这个过程需要对二者进行特征提取和训练。常用的人工特征提取算法具有局限性，同一类对象表现形式的跨度越大，人工特征提取算法所得到的特征的代表性就越低。面对原始损伤图像中千变万化的背景噪声，很难设计一套将损伤和背景噪声显著区分的特征提取算法。深度学习是集特征提取和训练于一体的多层人工神经网络，按照节点间的连接关系和训练方式的不同，深度学习可分为深度信念网[3]、卷积神经网络[4]，[5]（ConvolutionNeuralNetoid函数、双曲正切函数等。　　　　N是一种特殊结构的深度学习网络，如图3所示。在N中存在

6、着卷积层（C）、减采样层（S）、全相连层（F），且卷积层和减采样层交替出现。在卷积层中，数据会经过卷积核的卷积操作、对应关系叠加、激活函数的处理，形成特征图。在减采样层中，图像数据会根据减采样算子进行减采样操作。全相连层的网络结构同多层网络结构中的相邻两层。　　　　在图3的N结构中，采用了SoftMax分类器，其激活函数为：　　其中，θ为分类器输出层与输入层之间的参数向量，m是训练样本总数，i表示第i个训练样本，k是分类数量，hθ是输出分类概率向量，其值在0和1之间，总和为1，训练算法是代价函数对参数的梯度下降算法。　　

7、N的结构具有如下的特点：　　A）局部相连　　N不同于全相连网络结构，其卷积层节点与上层节点之间是局部相连的，如图4所示。局部相连的区域被称为感受野或卷积核，这种设计很大限度的减少了训练参数的数量。在图像中，一个点与周围点的信息相关性比远离点的相关性强，N更关注图像的局部特征。B）参数共享